Introduction

Cette page correspond à l’analyse des résultats du SNP calling effectué avec mon petit programme phruscle (“phred + muscle”).

Pour rappel, ce programme utilisait phred sur les fichiers de séquençage pour déterminer les bases. Les séquences obtenues étaient ensuite alignées à un alignement de référence composé de la séquence sauvage et de la séquence du gène synthétique.

J’ai ensuite analysé les sorties de phred qui recense la qualité des bases appelées. J’ai pu ainsi attribuer un score de qualité à toutes les bases non chimériques, ie avec une correspondance dans l’alignement de référence et dans le fichier de séquençage.

library(dplyr)
library(ggplot2)
library(readr)
library(viridis)
library(purrr)
library(ggthemes)

theme_set(theme_bw() + fte_theme())


data_location <- "../../data/phruscle_snpcall.csv"

snp <- read_csv(data_location) %>%
  mutate(
    name = gsub("-1073.+$", "", name),
    base = toupper(base),
    mutant = ifelse(grepl("ws", name), "ws", "sw")
  )

J’ai donc obtenu un tableau de donnée de la forme suivante, où :

head(snp)
## Source: local data frame [6 x 11]
## 
##    cons  name  refb  refp  seqb  seqp  snpb  base  qual phase mutant
##   (chr) (chr) (chr) (int) (chr) (int) (chr) (chr) (int) (int)  (chr)
## 1     .  pws1     G    38     G     1     G     C    14  9268     ws
## 2     .  pws1     T    39     T     2     T     A    15  9258     ws
## 3     .  pws1     G    40     G     3     G     C    25  9246     ws
## 4     .  pws1     C    41     C     4     C     G    26  9234     ws
## 5     .  pws1     G    42     G     5     G     C    28  9221     ws
## 6     .  pws1     T    43     T     6     T     A    31  9210     ws

Observations générales

Nombres de séquences ?

                                        #
n_distinct(snp$name)
## [1] 190

On a donc bien toutes nos séquences.

snp %>%
  group_by(mutant) %>%
  summarise(count = n()) %>%
  kable()
mutant count
sw 70173
ws 71989 
snp %>%
  group_by(mutant, name) %>%
  summarise(count = n()) %>%
  ggplot(data = ., aes(x = count )) +
  geom_histogram(binwidth = 1) +
  labs(x = "Nombre de positions", y = "",
       title = "Distribution du nombre\nde positions par séquence")

J’ai voulu déterminer s’il existe des bases dans les sorties de phruscle qui ne correspondent pas aux sorties de phd. Autrement dit si la base base est bien toujours le complement de la base seqb.

TRUE %in% (chartr("ATGC","TACG", snp$base) != snp$seqb)
## [1] FALSE

Plutôt bon signe ! Phruscle a fonctionné comme il faut, ie toutes les bases qu’on a sorties dans nos alignements ont une correspondance dans le fichier phred !.

Analyse de la qualité des séquences

On regarde globalement la distribution de la qualité des bases :

snp %>%
  ggplot(data = ., aes(x = qual )) +
  geom_histogram(binwidth = 1)

J’ai regardé séquence par séquence les variation de qualité le long de la séquence :

snp %>%
  ggplot(data = ., aes(x = refp, y = qual, color = qual )) +
  geom_point(alpha = 0.1, size = 0.1) +
  geom_line(aes(group = name), alpha = 0.1, size = 0.1 ) +
  scale_color_viridis()

Comme attendu, la qualité est moindre en fin de run, et plutôt bonne au début1 On séquence de droite à gauche, la cassete de résistance est à la position avant -1. Ce sont des séquences trimmées par phd. On n’est pas obligé de trimmer. Peut-être refaire les analyses avec les séquences non trimmées.

Distribution de la longueur des séquences.

snp %>%
  group_by(name, mutant) %>%
  summarise(len = max(refp) - min(refp)) %>%
  ggplot(data = ., aes(x = len )) +
  geom_histogram(binwidth = 1) +
  facet_grid(mutant ~ .)

snp %>%
  filter(qual < 30) %>%
  ggplot(data = ., aes(x = refp, y = qual )) +
  geom_point(alpha = 0.1, size = 0.1)

snp %>%
  filter(cons == "x" | cons == "X") %>%
  ## filter(refp < 750 & refp > 40) %>%
  ggplot(aes(x = refp)) +
  geom_histogram(binwidth = 1)

Une fonction pour faire un alignement des positions d’intérêt, sans avoir à répéter le code deux fois pour sw et ws. J’ai ̉hardcodé’ les limites de la référence basé sur le graphique dans la marge.

plot_align <- function(data, mutant_) {
  sort_by_tract_length <- function(mut) {
    data %>%
      filter(mut == mutant) %>%
      group_by(name, mutant) %>%
      filter(cons == "x") %>%
      summarise(len = max(refp) - min(refp)) %>%
      ungroup() %>%
      arrange(len) %>%
      {.$name}
  }

  find_polarity <- function(reference, experimental) {
    is_w <- function(base) { ifelse(base == "A" | base == "T", TRUE, FALSE)}
    is_s <- function(base) { ifelse(base == "C" | base == "G", TRUE, FALSE)}

    if      (is_w(reference) & is_w(experimental)) "ww"
    else if (is_w(reference) & is_s(experimental)) "ws"
    else if (is_s(reference) & is_w(experimental)) "sw"
    else if (is_s(reference) & is_s(experimental)) "ss"
    else ""
  }

  data %>%
    group_by(name, mutant) %>%
    filter(
      refp < 750 & refp > 57,
      mutant == mutant_,
      cons == "x" | cons == "X"
    ) %>%
    rowwise() %>%
    mutate(sens =  find_polarity(refb, seqb)) %>%
    ggplot(aes(x = factor(refp),
               y = factor(name, levels =  sort_by_tract_length(mutant_)))) +
    geom_point(aes(color = sens, size = qual)) +
    scale_color_viridis(
      discrete = TRUE,
      labels = c("Indel", "S vers S", "S vers W", "W vers S", "W vers W")
    ) +
    scale_size(
      trans = "reverse",
      range = c(1, 4),
      breaks = c(10, 50),
      labels = c("10", "50")) +
    labs(
      x = "Position sur la référence",
      y = "",
      color = "Remplacement",
      size = "Qualité",
      title = paste("Alignement pour la manip", toupper(mutant_))
    ) +
    theme(
      legend.position = "right",
      legend.key = element_rect(
        fill = scales::alpha("gray", 0),
        colour = scales::alpha("gray", 0)),
      panel.grid.major.y = element_line(size = 0.1, linetype = "dotted")
    )
}
snp %>% plot_align("ws")

snp %>% plot_align("sw")